DATA SCIENCE MIT MICROSOFT AZURE MACHINE LEARNING STUDIO
Data Science, Deep Learning und Large Language Modelle nutzen
Präsenzveranstaltungen in Wiesbaden oder Online-Seminar an zwei Tagen: 1.190,- € pro Person (netto). Auf Anfrage gerne auch ein Zuschnitt auf einen Tag.
Hier können Daten analysiert und aufbereitet, Modelle trainiert und sofort ausgerollt werden. Dabei stehen alle typischen Vorteile einer Cloud-Plattform zur Verfügung.
Termine Offene Schulungen: 15./16.05.2025
LERNZIELE UND AGENDA
Hinweis zu den Terminen: Wir passen die Inhalte kontinuierlich an, Termine für das zweite Halbjahr 2025 veröffentlichen wir nach einem Review der Inhalte in der Mitte des ersten Halbjahrs 2025.
Hinweise zu den Inhalten: Microsoft hat die Azure ML Plattform mittlerweile soweit fortentwickelt, dass nur noch sehr wenig bis gar kein Python-Code mehr notwendig ist.
Ziele:
-
Einen Überblick über die Möglichkeiten von Azure Machine Learning Studio bekommen: was kann womit - und zu welchen Kosten und mit welchem Aufwand - umgesetzt werden?
-
Entwerfen einer Lösung für das Training von Machine Learning-Modellen
- Entwerfen einer Lösung für die Bereitstellung von Modellen
- Erkunden von Entwicklertools für die Interaktion mit dem Workspace
- Bereitstellen von Daten in Azure Machine Learning
- Nutzen von Compute-Instanzen für unterschiedliche Zwecke
- Finden des besten Klassifikationsmodells mit Automated Machine Learning
- Ausführen von Pipelines in Azure Machine Learning mit MLflow
- Durchführen von Hyperparameter-Tuning mit Azure Machine Learning
- Bereitstellen eines Modells an einen verwalteten Online-Endpunkt
- Bereitstellen eines Modells an einen Batch-Endpunkt
INHOUSE-SEMINAR
Seminardurchführung am Standort des Kunden
€1.390,00
pro Tag bis 4 Teilnehmer zzgl. gesetzlicher USt
Alle Inhalte der Inhouse-Seminare werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.
Intensive Nachbetreuung ermöglicht den Teilnehmern ihre Kenntnisse in kürzester Zeit umzusetzen.
Empfohlene Seminardauer: 1 bis 2 Tage
Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)
WORKSHOP
Sie nennen uns Ihre Themen!
Preis auf Anfrage
zzgl. gesetzlicher USt und ggf. Reisekoste
Alle Inhalte des Workshops werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.
Gerne führen wir den Workshop bei Ihnen vor Ort, in Wiesbaden oder online durch.
Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)
Tag 1
Entwerfen einer Datenübernahme-Strategie für Machine Learning-Projekte
-
Identifizieren der Datenquelle und des Formats
-
Wählen, wie Daten an Machine Learning-Workflows übergeben werden sollen
-
Entwerfen einer Datenübernahme-Lösung
Entwerfen einer Lösung für das Training von Machine Learning-Modellen
-
Identifizieren der Machine Learning-Aufgaben
-
Auswählen eines Dienstes zum Trainieren eines Modells aus
-
Auswählen zwischen Rechenoptionen
Entwerfen einer Lösung für die Bereitstellung von Modellen
-
Verstehen, wie ein Modell genutzt wird
-
Entscheiden, ob das Modell an einen Echtzeit- oder Batch-Endpunkt bereitgestellt wird
Erkunden von Azure Machine Learning-Arbeitsbereich-Ressourcen und -Vermögenswerten
-
Erstellen eines Azure Machine Learning-Arbeitsbereichs
-
Identifizieren von Ressourcen und Vermögenswerten
-
Trainieren von Modellen im Arbeitsbereich
Erkunden von Entwicklertools für die Interaktion mit dem Arbeitsbereich
-
Azure Machine Learning-Studio
-
Python Software Development Kit (SDK)
-
Azure Command Line Interface (CLI)
Bereitstellen von Daten in Azure Machine Learning
-
Arbeiten mit Uniform Resource Identifiers (URIs)
-
Erstellen und Verwenden von Datenspeichern
-
Erstellen und Verwenden von Data Assets
Arbeiten mit Rechenzielen in Azure Machine Learning
-
Wählen des geeigneten Rechenziels aus
-
Erstellen und Verwenden einer Recheninstanz
-
Erstellen und Verwenden eines Rechenclusters
Arbeiten mit Umgebungen in Azure Machine Learning
-
Verständnis von Umgebungen in Azure Machine Learning
-
Erkunden und Verwenden von zusammengestellten Umgebungen
-
Erstellen und Verwenden von benutzerdefinierten Umgebungen
Tag 2
Finden des besten Klassifikationsmodells mit Automated Machine Learning
-
Vorbereiten von Daten zur Verwendung von AutoML für die Klassifikation
-
Konfigurieren und Ausführen eines AutoML-Experiments
-
Bewerten und Vergleichen von Modellen
Verfolgen von Modell-Trainings in Jupyter-Notebooks mit MLflow
-
Konfigurieren zur Verwendung von MLflow in Notebooks
-
Verwenden von MLflow zur Modellverfolgung in Notebooks
Ausführen eines Trainings-Skripts als Befehlsjob in Azure Machine Learning
-
Umwandeln eines Notebooks in ein Skript
-
Testen von Skripts in einem Terminal
-
Ausführen eines Skripts als Befehlsjob
-
Verwenden von Parametern in einem Befehlsjob
Verfolgen von Modell-Trainings mit MLflow in Jobs
-
Verwendung von MLflow bei der Ausführung eines Skripts als Job
-
Überprüfen von Metriken, Parametern, Artefakten und Modellen aus einem Flow
Ausführen von Pipelines in Azure Machine Learning
-
Erstellen von Komponenten
-
Erstellen einer Azure Machine Learning-Pipeline
-
Ausführen einer Azure Machine Learning-Pipeline
Durchführen von Hyperparameter-Tuning mit Azure Machine Learning
-
Definition eines Suchraums für Hyperparameter
-
Konfigurieren der Abtastung der Hyperparameter
-
Auswahl einer Richtlinie zur vorzeitigen Beendigung
-
Ausführen eines Suchjobs für Hyperparameter
Bereitstellen eines Modells an einen verwalteten Online-Endpunkt
-
Verwendung von verwalteten Online-Endpunkten
-
Bereitstellen eines MLflow-Modells an einen verwalteten Online-Endpunkt
-
Bereitstellen eines benutzerdefinierten Modells an einen verwalteten Online-Endpunkt
-
Testen von Online-Endpunkten
Bereitstellen eines Modells an einen Batch-Endpunkt
-
Erstellen eines Batch-Endpunkts
-
Bereitstellen eines MLflow-Modells an einen Batch-Endpunkt
-
Bereitstellen eines benutzerdefinierten Modells an einen Batch-Endpunkt
-
Aufrufen von Batch-Endpunkten
INHALT
Microsoft stellt auf seiner Azure Plattform das Machine Learning Studio bereit, das auf Machine und Deep Learning, aber auch auf Large Language Modelle, zugeschnitten ist. Hier können Daten analysiert und aufbereitet, Modelle trainiert und sofort ausgerollt werden. Dabei stehen alle typischen Vorteile einer Cloud-Plattform zur Verfügung.
Die größten Vorteile sehen wir in unseren Projekten in der Versionierung der Modelle (inkl. Rechteverwaltung) sowie dem einfachen und schnellen Deployment der Modelle. MVP-Level 1 kann sehr schnell erreicht werden.
-
Versionierung der Datensätze und Modelle.
-
Schnelles Deployment der entwickelten Modelle.
-
Team-Fähigkeit.
-
Nutzen von Ressourcen zum Berechnen von Modellen On-Demand: Von der kleinen Maschine mit 2 CPUs und wenig RAM bis zum riesigen Cluster, auch mit modernsten NVIDIA-GPUs.
-
Minutengenaue Abrechnung aller Services und volle Kostenkontrolle.
-
Deployment: Selten war es so einfach, ein trainiertes Modell auszurollen. Azure stellt u.a. ein REST-Interface zur Verfügung, das einfach in eigene Applikationen integriert werden kann. Den notwendigen Code liefert Microsoft gleich mit.
-
Einfache Modellierung: Natürlich können jupyter-Notebooks mit Python genutzt werden oder auch Python-Skripte. Daneben gibt es aber mit AutoML ein Modellierungsoption, die den Usern viele Schritte abnimmt - Python ist hier gar nicht mehr notwendig. Auch diese Modelle können einfach ausgerollt werden.
-
Sie arbeiten aktuell noch mit dem IBM SPSS Modeler oder einer vergleichbaren Software? Microsoft stellt hier mit dem Designer ein Flussorientiertes Tool zur Verfügung: Die Modelle werden entsprechend dem Flow der Daten aus einzelnen Modulen abgebildet. Solche Modelle können z.B. das Entfernen von Ausreißern, das Imputieren von fehlenden Werten, der Split der Daten in Training und Test, die Wahl eines Modellierungsverfahren, die Evaluation etc. sein. Auch dies ist eine Code-Free-Lösung, die kein Python benötigt.
-
Automatisiertes Monitoring der Modellgüte. Damit kann kontrolliert werden, ob die Modelle über die Zeit an Güte verlieren.
Mittlerweile legt Microsoft den Kurs zur Plattform (DP-100T01) als Vier-Tages-Seminar auf. Dieser deckt dann die ganze Bandbreite des Angebots des Machine Learning Studio ab, das ist aber oft für Praktiker:innen gar nicht notwendig. Wir bieten ihnen an zwei Tagen (auf Anfrage ist auch ein Tag möglich) ein auf ihre Bedürfnisse zugeschnittenen Workshop an. Gerne auch in ihrem Azure Portal.
Alles wird komplett im Azure Machine Learning Portal an praktischen Übungen oder gerne auch ihren Daten durchgeführt.